The Impact of Individual Biases on Consensus Formation
Notice bibliographique
Résumé
Social groups of interacting agents display an ability to coordinate in the absence of a central authority, a phenomenon that has been recently amplified by the widespread availability of social networking technologies. Models of opinion formation in a population of agents have proven a very useful tool to investigate these phenomena that arise independently of the heterogeneities across individuals and can be used to identify the factors that determine whether widespread consensus on an initial small majority is reached. Recently, we introduced a model in which individual agents can have conservative and partisan biases. Numerical simulations for finite populations showed that while the inclusion of conservative agents in a population enhances the population's efficiency in reaching consensus on the initial majority opinion, even a small fraction of partisans leads the population to converge on the opinion initially held by a minority. To further understand the mechanisms leading to our previous numerical results, we investigate analytically the noise driven transition from a regime in which the population reaches a majority consensus (efficient), to a regime in which the population settles in deadlock (non-efficient). We show that the mean-field solution captures what we observe in model simulations. Populations of agents with no opinion bias show a continuous transition to a deadlock regime, while populations with an opinion bias, show a discontinuous transition between efficient and partisan regimes. Furthermore, the analytical solution reveals that populations with an increasing fraction of conservative agents are more robust against noise than a population of naive agents because in the efficient regime there are relatively more conservative than naive agents holding the majority opinion. In contrast, populations with partisan agents are less robust to noise with an increasing fraction of partisans, because in the efficient regime there are relatively more naive agents than partisan agents holding the majority opinion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».